前两篇我们搭了一个多 Agent 投研助手的完整框架——- 第一期：基本面、量化、舆情三个 Agent 并行研究，风控门禁拦截，Writer 模板化报告
- 第二期：辩论交叉验证机制，让 Agent 之间互相质疑、辩护、裁决
框架跑起来之后，一个读者私下问了我一个问题：
"三个 Agent 各写各的结论，营收增长 12.5% 说正面，RSI 超卖说反弹，舆情偏正面说情绪好——看起来很和谐，但好像少了点什么？"
少了什么？
少了"外面的世界"。
营收增长 12.5%，如果同期消费行业整体增长 20%，这不叫增长，叫跑输同行。RSI 超卖反弹，但如果 10Y 国债收益率已经飙到 4%，资金面整体收紧，超卖可能继续超卖。舆情偏正面，但如果 PMI 已经跌破 49 进入收缩区间，行业景气度在下行，正面新闻可能只是滞后指标。
只看公司自身，不看宏观和行业，就像只看一支球队的技术统计，不看对手是谁、天气怎样、裁判尺度如何。
今天这篇，就是给系统加上第四个研究维度——MacroAgent（宏观/行业 Agent）。
一、为什么需要宏观视角？
做投研的人都知道一个常识：个股的绝对表现，远不如相对表现重要。
一家公司净利润增长 15%，看上去不错。但如果它所在的行业整体增长 30%，这家公司其实在掉队。反过来，行业整体下滑 10%，这家公司只跌了 2%，其实是抗跌龙头。
问题在于，现有的三个 Agent 都没法给出这种"相对判断"：
- 基本面 Agent 只看公司自己的财报数据——营收、利润、ROE、现金流、杠杆率
- 量化 Agent 只看个股的价量数据——涨跌幅、波动率、最大回撤、RSI
- 舆情 Agent 只看个股相关的新闻——情绪打分、热度、重复报道
三个 Agent 各有所长，但有一个共同盲区：它们都不知道"公司外面的世界"发生了什么。
宏观视角要回答三个具体问题：
- 利率环境：10Y 国债收益率是 1.5% 还是 4%？这直接决定了资金成本和估值锚。低利率环境下，高 ROE 的公司享受估值溢价；高利率环境下，现金流好的公司更受青睐。
- 政策方向：货币政策是宽松还是收紧？M2 增速是在加速还是减速？这影响的是整个市场的资金面和风险偏好。
- 行业景气度：制造业 PMI 是在 50 以上扩张，还是 50 以下收缩？行业指数是在跑赢大盘还是跑输？这决定了个股是顺风还是逆风。
一句话：宏观视角不是要替代个股研究，而是给个股研究提供一个"参照系"。
二、MacroAgent 的分析框架
MacroAgent 和现有的三个 Agent 一样，遵循同一个设计原则：确定性计算归代码，综合解读归 LLM。
具体来说，MacroAgent 输出 4-5 个 Finding，覆盖四个维度：
| | |
|---|
| | < 2.0% = 低利率利好估值；> 3.5% = 高利率压制估值；中间 = 中性 |
| | easing（宽松）= positive；tightening（收紧）= negative |
| | ≥ 51 = 扩张积极；< 49 = 收缩消极；中间 = 中性 |
| | 超额 ≥ +3% = positive；≤ -3% = negative；中间 = neutral |
如果配置了 LLM API Key，MacroAgent 还会在上述规则分析之后，调用 LLM 做一次交叉综合解读——把利率、政策、行业景气度放在一起看，给出 2-3 句话的综合研判。
三、数据层扩展：给数据快照加上"宏观视角"
前三期里，数据快照 MarketDataSnapshot 装的是个股维度的数据：行情、财务指标、新闻、估值。现在要加两个新字段：
class MarketDataSnapshot(BaseModel): symbol: str meta: SnapshotMeta company: Dict[str, Any] = Field(default_factory=dict) quotes: List[QuoteBar] = Field(default_factory=list) fundamentals: Dict[str, Any] = Field(default_factory=dict) news: List[NewsItem] = Field(default_factory=list) valuation: Dict[str, Any] = Field(default_factory=dict)# 新增 ↓ macro: Dict[str, Any] = Field(default_factory=dict) # 宏观指标 industry: Dict[str, Any] = Field(default_factory=dict) # 行业指标
macro 字典装的是宏观环境指标：
{ ”treasury_10y”: 1.68,# 10Y 国债收益率 (%) ”lpr_1y”: 3.10,# 1 年期 LPR (%) ”lpr_5y”: 3.60,# 5 年期 LPR (%) ”pmi”: 50.2,# 制造业 PMI ”m2_yoy”: 7.0,# M2 同比增速 (%) ”monetary_stance”: ”easing”,# 货币政策方向（规则推断）}
industry 字典装的是行业对比数据：
{ ”industry_name”: ”白酒”, ”industry_index_change”: 5.8,# 行业指数近期涨跌幅 (%) ”benchmark_index_change”: 3.2,# 沪深 300 同期涨跌幅 (%) ”relative_strength”: 2.6,# 行业超额收益 (%) ”peers”: [”五粮液”, ”泸州老窖”, ”山西汾酒”, ”洋河股份”],}
用 Dict[str, Any] 而不是强类型的 Pydantic 模型，是因为宏观数据的口径在不同数据源之间差异较大（比如 PMI 有制造业 PMI、非制造业 PMI、财新 PMI），用字典更灵活，后续扩展字段不需要改模型。
在 AkShareProvider 里新增两个方法：_fetch_macro() 和 _fetch_industry()。
宏观数据采集分三步，每步独立 try/except，一步失败不影响其他：
def _fetch_macro(self, ak, as_of: date) -> Dict[str, Any]: out: Dict[str, Any] = {}# 1. 10Y 国债收益率 try: df = ak.bond_zh_us_rate(start_date=...) out[”treasury_10y”] = round(float(latest[”中国国债收益率10年”]), 2) except Exception: log.warning(”akshare 国债收益率获取失败”)# 2. 制造业 PMI try: df = ak.macro_china_pmi()# 列名可能变化，用关键词匹配 for col in df.columns: if ”制造业” in str(col) or ”pmi” in str(col).lower(): out[”pmi”] = round(float(latest[col]), 1) break except Exception: log.warning(”akshare PMI 获取失败”)# 3. M2 同比增速 try: df = ak.macro_china_money_supply() for col in df.columns: if ”M2” in str(col) and ”同比” in str(col): out[”m2_yoy”] = round(float(latest[col]), 1) break except Exception: log.warning(”akshare M2 获取失败”)# 4. 基于利率水平推断货币政策方向 treasury = out.get(”treasury_10y”) if treasury is not None: if treasury < 2.0: out[”monetary_stance”] = ”easing” elif treasury > 3.5: out[”monetary_stance”] = ”tightening” else: out[”monetary_stance”] = ”neutral” return out
这里有两个值得注意的设计细节：
第一，列名匹配用关键词而非硬编码。AKShare 返回的 DataFrame 列名经常变（比如 "净资产收益率(%)" 和 "加权净资产收益率"），PMI 和 M2 的列名也一样。用 "制造业" in str(col) 做模糊匹配，比硬编码列名更稳健。
第二，货币政策方向是规则推断的，不是 LLM 判断的。这遵循了"确定性计算归代码"的原则。基于 10Y 国债收益率的绝对水平来划分宽松/中性/收紧，是一个简单但有效的启发式规则。
行业数据的采集类似——先拿沪深 300 做基准，再尝试拉行业板块指数，算出相对超额收益。
四、MacroAgent 代码拆解
MacroAgent 的核心逻辑不复杂，但有几个设计要点值得展开。
先看整体结构：
class MacroAgent(Agent): name = ”macro” async def run(self, ctx: AgentContext) -> List[Finding]: macro = ctx.snapshot.macro industry = ctx.snapshot.industry findings: List[Finding] = []# 维度 1：利率环境 treasury = _get(macro, ”treasury_10y”) if treasury is not None: direction = ”positive” if treasury < 2.0 else (”negative” if treasury > 3.5 else ”neutral”) findings.append(Finding( agent=self.name, claim=f”10Y 国债收益率 {treasury:.2f}%，{利率环境描述}”, direction=direction, confidence=0.75 if demo else 0.7, evidence=[make_evidence(ctx.snapshot, ”国债收益率”, ...)], calculation=calc(”10Y国债收益率”, treasury, ”%”), assumptions=[”宏观数据来源于公开统计口径”], ))# 维度 2：政策方向# 维度 3：PMI 景气度# 维度 4：行业相对强度# 维度 5（可选）：LLM 综合解读 if not findings:# 数据缺失兜底 findings.append(Finding( agent=self.name, claim=”未获取到足够的宏观/行业数据”, direction=”neutral”, confidence=0.2, ... )) return findings
每个维度都遵循同一个模式：取数据 → 判定方向 → 构造 Finding（含 Evidence + Calculation）→ 追加到列表。这和 FundamentalAgent、QuantAgent 的写法完全一致。
10Y 国债收益率的绝对水平（1.68% vs 3.8%）本身就包含了大量信息。低利率环境下，资金成本低，高成长性公司的估值溢价更高；高利率环境下，确定性强的现金流更受青睐。
当然，利率的变化趋势（是在降还是在升）也很重要。但在 MVP 阶段，我们先看绝对水平，后续可以加入利率曲线的斜率。这也是渐进式迭代的好处——先用最简单的规则跑通流程，再根据实际效果决定是否增加复杂度。
stance = macro.get(”monetary_stance”)m2_yoy = _get(macro, ”m2_yoy”)if stance or m2_yoy is not None: stance_label = STANCE_LABEL.get(stance, ”未知”) direction = ”positive” if stance == ”easing” else (”negative” if stance == ”tightening” else ”neutral”) claim = f”货币政策倾向{stance_label}，M2 同比 {m2_yoy:.1f}%” findings.append(...)
monetary_stance 是在数据采集阶段由规则推断的（基于 10Y 国债收益率水平）。这里 MacroAgent 只是把它和 M2 增速组合起来，形成一个更完整的政策信号判断。
为什么不让 LLM 来判断政策方向？因为政策方向的判断需要基于连续的时间序列数据（LPR 的变化趋势、央行公开市场操作的净投放量、财政支出的同比增速等），而 LLM 每次调用都是无状态的，它看到的只是当前快照。用规则做推断，结果更可追溯、更可复现。
PMI 是最直观的宏观指标：50 以上是扩张，50 以下是收缩。MacroAgent 在此基础上做了更细的划分：
pmi = _get(macro, ”pmi”)if pmi is not None: if pmi >= 51: direction = ”positive”# 明确扩张 elif pmi < 49: direction = ”negative”# 明确收缩 else: direction = ”neutral”# 50 ± 1 是模糊区间
50 ± 1 的"模糊区间"设为中性，是因为 PMI 本身有统计误差，49.8 和 50.2 的差异在经济含义上并不显著。
这是 MacroAgent 最有价值的一个维度：
rel_strength = _get(industry, ”relative_strength”)if rel_strength is not None: if rel_strength >= 3.0: direction = ”positive”# 行业明显跑赢大盘 elif rel_strength <= -3.0: direction = ”negative”# 行业明显跑输大盘 else: direction = ”neutral”# 与大盘接近 add( f”{industry_name}行业相对沪深300超额收益 {rel_strength:+.1f}%”, direction, ... )
relative_strength = 行业指数涨跌幅 - 沪深 300 涨跌幅。这个简单的差值，回答了一个基本面 Agent 和量化 Agent 都无法回答的问题：这只股票的表现，是因为公司自身好/差，还是因为整个行业好/差？
如果基本面 Agent 说"营收增长 12.5%"，而 MacroAgent 说"白酒行业指数超额收益 +2.6%"，两者合在一起的含义就是：公司增长略高于行业平均，但幅度不大。这比单看 12.5% 的数字要有用得多。
if ctx.settings.llm_api_key and findings: llm_summary = await self._llm_synthesis(ctx, macro, industry, findings) if llm_summary: findings.append(Finding( agent=self.name, claim=llm_summary, direction=”neutral”, confidence=0.6, assumptions=[”LLM 综合解读仅供参考，不构成独立结论”], ))
LLM 综合解读是可选的。有 API Key 时，把前面四个维度的数据和分析结果一起发给 LLM，让它做 2-3 句话的交叉分析。没有 API Key 时，跳过这一步，报告照样生成。
注意这个 Finding 的 confidence 设为 0.6（低于规则分析的 0.7-0.75），并且 direction 固定为 "neutral"——因为 LLM 的解读是辅助信息，不应该主导报告的结论方向。
五、编排器和报告联动：改动的代码量超乎想象地少
这是整个改动里最"反直觉"的部分——接入一个新 Agent，编排器只改了一行代码。
agents = [FundamentalAgent(), QuantAgent(), SentimentAgent(), MacroAgent()]
就这一行。MacroAgent 被加到 Agent 列表之后，asyncio.gather 会自动把它和另外三个 Agent 一起并行执行。辩论环节也不用改——DebateAgent 遍历的是 Agent 列表，MacroAgent 自动参与质疑和辩护。
这就是面向接口编程的好处。每个 Agent 都实现了同一个 Agent 基类的 run() 方法，编排器不关心具体是哪个 Agent，只负责调度和汇总。加一个新 Agent，就像往列表里加一个元素。
required_agents=[”fundamental”, ”quant”, ”sentiment”, ”macro”, ”risk”, ”writer”],
Writer 的 SECTION_ORDER 加了一个 "macro"：
AGENT_LABELS = { ”fundamental”: ”基本面”, ”quant”: ”技术面/量化”, ”sentiment”: ”舆情”, ”macro”: ”宏观/行业”, # 新增 ”risk”: ”风险审查”,}SECTION_ORDER = [”fundamental”, ”quant”, ”sentiment”, ”macro”, ”risk”]
Writer 遍历 SECTION_ORDER 渲染报告章节，加了 "macro" 之后，MacroAgent 的 Finding 会自动出现在"宏观/行业"章节里，格式和其他章节完全一致。
RiskAgent 新增了两条和宏观环境相关的风控门禁：
# 利率环境偏紧treasury = macro.get(”treasury_10y”)if treasury is not None and float(treasury) > 3.5: flags.append(”RATE_HIKE_RISK”)# 行业景气度下行：PMI < 49 且行业超额收益 ≤ -3%pmi = macro.get(”pmi”)rel_strength = industry.get(”relative_strength”)if pmi is not None and float(pmi) < 49 and rel_strength is not None and float(rel_strength) <= -3.0: flags.append(”INDUSTRY_DOWNTURN”)
这两条规则的设计逻辑是：
RATE_HIKE_RISK：10Y 国债收益率超过 3.5% 意味着高利率环境，对所有权益类资产都是压力。这是一个"全局性"的风险标记，不针对个股。INDUSTRY_DOWNTURN：PMI 收缩 + 行业跑输大盘，两个条件同时满足才触发。这是为了避免误报——PMI 短暂跌破 50 但行业指数仍然强势，可能只是短期扰动。
六、实际效果：报告多了什么？
用贵州茅台的 demo 数据跑一下：
python -m research_agent research 600519.SH --demo
报告中新增了一个宏观/行业章节：
## 宏观/行业- ✅ 10Y 国债收益率 1.68%，低利率环境利好估值（10Y国债收益率 = 1.68%），置信度 75%- ✅ 货币政策倾向宽松，M2 同比 7.0%（M2同比增速 = 7%），置信度 70%- • 制造业 PMI = 50.2，处于扩张区间（PMI = 50.2），置信度 70%- ✅ 白酒行业相对沪深300超额收益 +2.6%（行业指数-基准指数 = 2.6%），置信度 70%
四条结论，三个正面、一个中性。这和基本面 Agent 的结论（营收增长 12.5%、ROE 28.9%）形成了正向共振——宏观环境宽松、行业景气度扩张、行业跑赢大盘，基本面增长的"含金量"更高。
如果换成一个行业景气度下行的标的（比如 PMI 48.5、行业超额收益 -5%），报告里会出现：
## 宏观/行业- ✅ 10Y 国债收益率 1.68%，低利率环境利好估值，置信度 75%- ✅ 货币政策倾向宽松，M2 同比 7.0%，置信度 70%- ⚠️ 制造业 PMI = 48.5，处于收缩区间，置信度 70%- ⚠️ XX行业相对沪深300超额收益 -5.0%，置信度 70%
这时基本面 Agent 可能仍然说"营收增长 8%"，但宏观 Agent 告诉你：行业整体在收缩，这只股票的营收增长可能是因为抢了同行的份额，而不是行业红利。这种交叉信息对投资决策的价值远大于单一维度。
开启辩论模式后（--debate），MacroAgent 会自动参与辩论：
- 基本面 Agent 可能质疑 MacroAgent："PMI 是制造业整体指标，不能直接套用到白酒行业"——这是一个合理的质疑，因为白酒不是典型的制造业。
- MacroAgent 可能质疑量化 Agent："RSI 超卖反弹的统计规律，在行业景气度下行时有效性降低"——这也是一个有实质依据的质疑。
辩论的结果取决于 LLM 的分析（或者 Mock 模式下的规则逻辑），但重要的是：这些质疑现在有机会被提出来了。在只有三个 Agent 的时候，没有人会去质疑"PMI 和白酒有什么关系"，因为压根没有 PMI 这个数据。
七、这还只是第三步
三篇下来，系统的研究维度已经从三个扩展到了四个，加上辩论机制，一共有：
- 4 个研究 Agent：基本面、量化、舆情、宏观/行业
- 1 个 Writer：自动渲染五个章节的结构化报告
后续排队的改进：
- 估值 Agent：PE/PB/EV-EBITDA 分位数、DCF 估值区间、估值和宏观利率的联动关系
- 多轮收敛辩论：当前只辩一轮，后续可以设定 2-3 轮，让各方充分交锋后收敛
- DebateAgent 专业化：让每个 Agent 只质疑与自己专业相关的结论（比如 MacroAgent 只质疑"未考虑宏观环境"的结论）
- 定时任务与事件告警：PMI 公布日自动提醒、LPR 变动跟踪、行业指数异动监控
- 知识图谱：产业链上下游关系，让宏观分析能精确定位到"利率上升对哪些行业影响最大"
项目持续开源迭代，每个版本都会在公众号同步说明。
八、关注领取
完整源码和架构设计文档已更新，包含 MacroAgent 的全部实现、AKShare 宏观数据适配、以及风控规则的扩展。
点赞 + 关注，后台回复「AI投研」即可领取项目地址与完整源码。
觉得有用的话，顺手点赞 + 在看 + 转发，让更多做投研的朋友看到。
免责声明：本项目为技术研究与教育用途，输出内容不构成任何投资建议。市场有风险，决策需谨慎。
10个月宝宝每天需要喝多少奶粉？
